CN111553902A - 一种基于大数据的公路路面安全监测系统 - Google Patents

Abstract

本发明公开一种基于大数据的公路路面安全监测系统，包括道路图像采集模块、图像匹配定位模块、破损鉴定分析模块、路面构建数据调取模块、路面碾压量模块、道路品质数据库和云服务器。本发明提供的一种基于大数据的公路路面安全监测系统，通过对公路路面上的裂纹和坑槽进行参数分析，以获得路面损坏加速系数，通过对路面上通行的车辆进行分析以获得车辆对路面所造成的车辆干扰损坏系数，建立车辆干扰损坏系数与路面损坏加速系数间的关联性，并能够根据两系数统计路面到达维修阈值所预计的时间，减少人工检测所需要的时间和精力，便于及时对路面损坏出进行维修，大大提高了路面的使用寿命，减少因裂纹或坑槽而造成的交通事故。

Description

一种基于大数据的公路路面安全监测系统

技术领域

本发明属于道路路面监测技术领域，涉及到一种基于大数据的公路路面安全监测系统。

背景技术

公路建设按照技术等级分类，主要分为高速公路、一级、二级、三级和四级公路。就目前而言，我国省际、市际、县际，乃至乡、村之间也已基本完成了公路的修建，公路地形平坦开阔，路况较好，非常利于车辆通行，从而缩短了行车时间，提高了运输的效率。综合来说，公路的修建缩短了运输所需的成本，提高了车辆运输的质量，从而极大的便利了运输业的发展。

此外，随着车流量的加大，车辆运输的路况也更加紧张，由于超重车辆对路面的频繁碾压，使得超重车辆对路面的压力大于路面修建的材料所能承担的压力，进而导致路面频繁产生裂纹和坑槽，一旦夜晚，在视线不佳的情况下，驾驶司机无法及时躲避或减速经过裂纹或坑槽处，以造成交通事故，增加了交通风险和交通事故发生的频率，同时，目前采用人工对路面进行定期检查，浪费人员大量的人力和精力，无法准确了解路面的损坏情况，且对有裂纹或坑槽的路面常采用经验判断是否需要进行维修以及何时需要维修，存在人员的主观意识，无法对需维修的路面进行及时维修,为了解决以上问题，现设计一种基于大数据的公路路面安全监测系统。

发明内容

本发明的目的在于提供的一种基于大数据的公路路面安全监测系统，解决了目前无法对路面进行损坏程度检测、无法准确预测维修的时间等问题，造成车辆在路面通行的安全性低和无法及时对路面进行维修，导致路面损坏严重。

本发明的目的可以通过以下技术方案实现：

一种基于大数据的公路路面安全监测系统，包括道路图像采集模块、图像匹配定位模块、破损鉴定分析模块、路面构建数据调取模块、路面碾压量模块、道路品质数据库和云服务器；

所述道路图像采集模块通过图像匹配定位模块与破损鉴定分析模块连接，云服务器分别与破损鉴定分析模块、路面构建数据调取模块和路面碾压量模块连接，道路品质数据库分别与云服务器和破损鉴定分析模块连接；

所述道路图像采集模块为高清摄像头，以固定距离间隔安装在易损坏路面的一侧，用于采集道路路面的图像信息，并对采集的道路路面图像进行筛选，剔除采集的道路路面图像包含有车辆的图像，且对剔除后的道路路面图像进行过滤处理，并将处理后的道路路面图像发送至图像匹配定位模块；

所述图像匹配定位模块用于接收道路图像采集模块发送的经处理后的道路路面图像，对接收的道路路面图像进行划分，划分成若干路面子图像，对各路面子图像按照设定的顺序进行排序编号，并将各编号的路面子图像与该位置处该编号对应的标准路面子图像进行对比，若相同编号下的路面子图像与标准路面子图像完全匹配，则采集的道路路面图像中的该编号的路面子图像正常，若相同编号下的路面子图像与标准路面子图像不匹配，则将该编号的路面子图像作为异常路面子图像，并将异常路面子图像以及异常路面子图像对应的位置编号发送至破损鉴定分析模块；

所述破损鉴定分析模块用于接收图像匹配定位模块发送的异常路面子图像以及异常路面子图像对应的位置编号，并根据异常路面子图像对应的位置编号筛选出该位置编号对应的放大倍数，对按照放大倍数放大的异常路面子图像进行裂纹参数提取和坑槽参数提取，对提取的裂纹参数进行分析筛选出该异常路面子图像内各裂纹对应的裂纹宽度、裂纹长度以及裂纹高度差，对提取的坑槽参数进行分析，筛选出该异常路面子图像内的各坑槽对应的坑槽深度和坑槽面积，将各裂纹对应的裂纹宽度、裂纹长度和裂纹高度差以及各坑槽对应的坑槽深度和坑槽面积分别发送至云服务器和道路品质数据库；

所述路面构建数据调取模块用于调取单位面积的路面面层所需的水泥、碎石、砂的重量以及路面面层的高度，并将水泥、碎石、砂的重量进行对比，得到面层组成材料比值，并将面层组成材料的比值以及路面面层的高度发送至云服务器；

所述路面碾压量模块安装在路面的各车道上，用于实时对路面上的车辆进行重量检测，并将检测的车辆重量与云服务器发送的路面所对应的承载重量阈值进行对比，统计设定检测时间段内检测的车辆重量大于该路面对应的承载重量阈值的车辆数量，并统计设定检测时间段内累计通过的车辆总数，路面碾压量模块将设定检测时间段内的累计通过的车辆总数、通行的车辆重量大于该路面对应的承载重量阈值的车辆数量以及大于该路面对应的承载重量阈值的各车辆的重量发送至云服务器；

所述道路品质数据库用于存储路面面层中不同水泥、碎石、砂的重量比以及面层高度对应的路面承载重量阈值，存储各裂纹宽度等级、裂纹长度等级、裂纹高度差等级、坑槽深度等级和坑槽面积等级，并存储破损鉴定分析模块发送的各检测时间段内异常路面子图像内各裂纹对应的裂纹宽度、裂纹长度和裂纹高度差以及各坑槽对应的坑槽深度和坑槽面积，存储各道路路面图像下各编号对应的标准路面子图像以及各编号的路面子图像对应的放大倍数；

所述云服务器用于接收路面构建数据调取模块发送的水泥、碎石、砂对应的面层组成材料比值以及路面面层的高度，根据接收的面层组成材料比值以及路面面层的高度从道路品质数据库中筛选出路面承载重量阈值，并将筛选的路面承载重量阈值发送至路面碾压量模块；

同时，云服务器接收破损鉴定分析模块发送的各裂纹对应的裂纹宽度、裂纹长度和裂纹高度差以及各坑槽对应的坑槽深度和坑槽面积，筛选出所有裂纹中的最大裂纹宽度、最大裂纹长度以及最大高度差，将筛选的最大裂纹宽度、最大裂纹长度和最大高度差分别与道路品质数据库中各裂纹宽度等级、裂纹长度等级、裂纹高度差等级，以分别筛选出最大裂纹宽度、裂纹长度和高度差对应的裂纹宽度级别、裂纹长度等级和裂纹高度差等级，且筛选出所有坑槽中的最大坑槽深度和最大坑槽面积，将筛选的最大坑槽深度和最大坑槽面积分别与道路品质数据库中各坑槽深度等级、坑槽面积等级进行对比筛选，筛选出最大坑槽深度和最大坑槽面积对应的坑槽深度等级和坑槽面积等级，并将从第j个检测时间段到第j+1个检测时间段内裂纹参数和坑槽参数分别进行变化量统计，得到裂纹长度综合变化量、裂纹宽度综合变化量、裂纹高度差综合变化量、坑槽深度综合变化量和坑槽面积综合变化量，云服务器根据以上裂纹参数和坑槽参数的变化量、裂纹长度、宽度以及高度差等级以及坑槽深度和面积等级统计路面损毁加速系数；

另外，云服务器接收路面碾压量模块发送的各检测时间段内的累计通过的车辆总数、通行的车辆重量大于该路面对应的承载重量阈值的车辆数量以及大于该路面对应的承载重量阈值的各车辆的重量，云服务器根据路面损坏加速系数对应的检测时间段，提取第j个检测时间段间内所对应的累计通过的车辆总数、通行的车辆重量大于该路面对应的承载重量阈值的车辆数量以及大于该路面对应的承载重量阈值的各车辆的重量，通过该检测时间段内累计通过的车辆总数、通行的车辆重量大于该路面对应的承载重量阈值的车辆数量以及大于该路面承载重量阈值的各车辆重量，统计出车辆干扰损坏系数，云服务器将各检测时间段内的路面损坏加速系数和车辆干扰损坏系数发送至评估预测报修模块。

进一步地，所述路面碾压量模块包括若干压力传感器和计数器，每个压力传感器分别安装在各车道上，用于实时检测通过压力传感器的车辆重量，计数器用于统计通过压力传感器的车辆的数量。

进一步地，所述路面损坏加速系数的计算公式

表示为从第j个检测时间段到第j+1个检测时间段内路面损坏加速系数，λ_L、λ_K和λ_G分别表示为裂纹长度、裂纹宽度和裂纹高度差对应的权重系数，对应的数值分别为0.32、0.573、0.496，L′、K′和G′分别表示为该检测时间段对应的裂纹长度综合变化量、裂纹宽度综合变化量、裂纹高度差综合变化量，EL_max、EK_max和EG_max分别表示为该检测时间段内最大裂纹宽度、最大裂纹长度和最大裂纹高度差对应的裂纹宽度级别、裂纹长度等级和裂纹高度差等级，C′和M′分别表示为检测时间段内坑槽深度综合变化量和坑槽面积综合变化量，EC_max和EM_max分别表示为检测时间段内最大坑槽深度和最大坑槽面积对应的坑槽深度等级和坑槽面积等级，β表示为坑槽深度对应的权重系数，等于0.68，其中，

S表示为检测时间段内裂纹对应的总数量，X表示检测时间段内坑槽对应的总数量，Ls_j、Ks_j和Gs_j分别表示为第j个检测时间段内第s个裂纹对应的长度、宽度和高度差，Cx_j和Dx_j分别表示为第j个检测时间段内第x个坑槽对应的深度和面积，j＝1,2,...。

进一步地，所述车辆干扰损坏系数的计算公式为

表示为从第j个检测时间段到第j+1个检测时间段的过程中车辆干扰损坏系数，φ表示为车辆影响因子，等于0.6，Q表示为通行的车辆重量大于该路面对应的承载重量阈值的车辆数量，R表示为该检测时间段间内累计通过的车辆总数，W_p表示为第p个车辆的重量大于路面对应的承载重量阈值的车辆重量，W_阈值表示为路面对应的承载重量阈值。

进一步地，还包括评估预测保修模块，所述评估预测保修模块用于接收云服务器发送的各检测时间段内的路面损坏加速系数和车辆干扰损坏系数，根据先前各检测时间段内的路面损坏加速系数和车辆干扰损坏系数预计路面裂纹参数和坑槽参数达到维修阈值所对应的评估预测保修时间，并将评估预测保修时间推送至维护人员的手机，同时根据已过的天数自动更新距离路面预测保修时间所剩余的时间，同时将各检测时间段内的路面损坏加速系数与设定路面损坏加速系数阈值进行对比，若大于设定的路面损坏加速系数阈值，则发出预警维修提醒。

进一步地，所述评估预测保修时间的计算公式

T表示为检测时间段对应的天数，

表示为从第j个检测时间段到第j+1个检测时间段内路面损坏加速系数，

表示为从第j个检测时间段到第j+1个检测时间段的过程中车辆干扰损坏系数,J表示为前J个检测时间段，j＝1,2,...,J，ζ表示为预计维修系数，

L_阈值、K_阈值和G_阈值分别表示为达到维修阈值状态下的裂纹长度阈值、裂纹宽度阈值和裂纹高度差阈值，L_Jmax、K_Jmax和G_Jmax分别表示为第J个检测时间段内最大裂纹长度、最大裂纹宽度和最大裂纹高度差，G_阈值和M_阈值分别表示为达到维修阈值状态下的坑槽深度阈值和坑槽面积阈值，G_Jmax和M_Jmax分别表示为第J个检测时间段内最大坑槽深度和最大坑槽面积。

本发明的有益效果：

本发明提供的一种基于大数据的公路路面安全监测系统，通过对公路路面进行图像采集分析、处理，获得路面图像中的裂纹参数和坑槽参数，并根据采集图像中的裂纹参数和坑槽参数分析相邻检测时间段内裂纹参数和坑槽参数的变化，综合分析路面在检测时间段内的路面损坏加速系数，且通过路面碾压量以及云服务器相结合，分析该路面损坏加速系数所对应的检测时间段内车辆通行状况、超载车辆通过的数量以及通过时的重量，以分析通行车辆对路面损坏所对应的车辆干扰损坏系数，能够准确分析出在检测时间段内车辆通行数量以及通行的车重对路面造成损坏以及路面实际造成的损坏加速系数，以建立车辆干扰损坏系数与路面损坏加速系数间的关联性，提高了系数统计的准确性和可靠性。

本发明通过对同一检测时间段内的车辆干扰损坏系数和路面损坏加速系数进行检测，提确保了两者系数间的关联性，并通过评估预测保修模块统计按照先前各检测时间段内的车辆干扰损坏系数以及路面损坏加速系数的关联下预测路面上的裂纹或坑槽达到裂纹维修阈值或坑槽维修阈值所预计的时间，能够准确预测裂纹和坑槽演变的成维修阈值状态下所需的时间，避免人员无法及时对损坏的路面进行维修、维护，同时，能够根据车辆干扰损坏系数与设定的路面损坏加速系数阈值进行对比，若大于设定的路面损坏加速系数阈值，则预警维修提醒，避免路面在各检测时间段内车辆干扰损坏系数过大，以缩短预计达到维修阈值的时间，便于及时对路面进行维护和保养，本发明具有准确性高的特点，大大提高了路面的使用寿命和行车的安全性，提高了对路面的保护，减少因裂纹或坑槽而造成的交通事故。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为道路路面立体示意图。

图2为本发明中一种基于大数据的公路路面安全监测系统的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1和2所示，一种基于大数据的公路路面安全监测系统，包括道路图像采集模块、图像匹配定位模块、破损鉴定分析模块、路面构建数据调取模块、路面碾压量模块、道路品质数据库、云服务器和评估预测保修模块。

道路图像采集模块通过图像匹配定位模块与破损鉴定分析模块连接，云服务器分别与破损鉴定分析模块、路面构建数据调取模块、路面碾压量模块和评估预测保修模块连接，道路品质数据库分别与云服务器和破损鉴定分析模块连接。

道路图像采集模块为高清摄像头，以固定距离间隔安装在易损坏路面的一侧，用于采集道路路面的图像信息，并对采集的道路路面图像进行筛选，剔除采集的道路路面图像包含有车辆的图像，且对剔除后的道路路面图像进行过滤处理，并将处理后的道路路面图像发送至图像匹配定位模块，以提高了道路路面图像的清晰度，并减少车辆通行对采集的道路路面图像的干扰。

图像匹配定位模块用于接收道路图像采集模块发送的经处理后的道路路面图像，对接收的道路路面图像进行划分，划分成若干路面子图像，对各路面子图像按照设定的顺序进行排序编号，并将各编号的路面子图像与该位置处该编号对应的标准路面子图像进行对比，若相同编号下的路面子图像与标准路面子图像完全匹配，则采集的道路路面图像中的该编号的路面子图像正常，若相同编号下的路面子图像与标准路面子图像不匹配，则将该编号的路面子图像作为异常路面子图像，并将异常路面子图像以及异常路面子图像对应的位置编号发送至破损鉴定分析模块，通过图像匹配定位模块对采集的道路路面子图像进行划分，并与各编号对应的标准路面子图像进行对比，能够定位异常路面所对应的位置编号。

破损鉴定分析模块用于接收图像匹配定位模块发送的异常路面子图像以及异常路面子图像对应的位置编号，并根据异常路面子图像对应的位置编号筛选出该位置编号对应的放大倍数，对按照放大倍数放大的异常路面子图像进行裂纹参数提取和坑槽参数提取，对提取的裂纹参数进行分析筛选出该异常路面子图像内各裂纹对应的裂纹宽度、裂纹长度以及裂纹高度差，对提取的坑槽参数进行分析，筛选出该异常路面子图像内的各坑槽对应的坑槽深度和坑槽面积，将各裂纹对应的裂纹宽度、裂纹长度和裂纹高度差以及各坑槽对应的坑槽深度和坑槽面积分别发送至云服务器和道路品质数据库，其中，裂纹参数包括裂纹宽度、裂纹长度以及裂纹高度差，坑槽参数包括坑槽面积和坑槽深度。

路面构建数据调取模块用于调取单位面积的路面面层所需的水泥、碎石、砂的重量以及路面面层的高度，并将水泥、碎石、砂的重量进行对比，得到面层组成材料比值，并将面层组成材料的比值以及路面面层的高度发送至云服务器。

路面碾压量模块安装在路面的各车道上，用于实时对路面上的车辆进行重量检测，并将检测的车辆重量与云服务器发送的路面所对应的承载重量阈值进行对比，统计设定检测时间段内检测的车辆重量大于该路面对应的承载重量阈值的车辆数量，并统计设定检测时间段内累计通过的车辆总数，路面碾压量模块将设定检测时间段内的累计通过的车辆总数、通行的车辆重量大于该路面对应的承载重量阈值的车辆数量以及大于该路面对应的承载重量阈值的各车辆的重量发送至云服务器，其中，路面碾压量模块包括若干压力传感器和计数器，每个压力传感器分别安装在各车道上，用于实时检测通过压力传感器的车辆重量，计数器用于统计通过压力传感器的车辆的数量。

道路品质数据库用于存储路面面层中不同水泥、碎石、砂的重量比以及面层高度对应的路面承载重量阈值，存储各裂纹宽度等级、裂纹长度等级、裂纹高度差等级、坑槽深度等级和坑槽面积等级，并存储破损鉴定分析模块发送的各检测时间段内异常路面子图像内各裂纹对应的裂纹宽度、裂纹长度和裂纹高度差以及各坑槽对应的坑槽深度和坑槽面积，存储各道路路面图像下各编号对应的标准路面子图像以及各编号的路面子图像对应的放大倍数；其中，各裂纹宽度等级、裂纹长度等级、裂纹高度差等级、坑槽深度等级和坑槽面积等级分别与各等级系数相对应，同一参数下的等级越大，等级系数越大。

云服务器用于接收路面构建数据调取模块发送的水泥、碎石、砂对应的面层组成材料比值以及路面面层的高度，根据接收的面层组成材料比值以及路面面层的高度从道路品质数据库中筛选出路面承载重量阈值，并将筛选的路面承载重量阈值发送至路面碾压量模块。

同时，云服务器接收破损鉴定分析模块发送的各裂纹对应的裂纹宽度、裂纹长度和裂纹高度差以及各坑槽对应的坑槽深度和坑槽面积，筛选出所有裂纹中的最大裂纹宽度、最大裂纹长度以及最大高度差，将筛选的最大裂纹宽度、最大裂纹长度和最大高度差分别与道路品质数据库中各裂纹宽度等级、裂纹长度等级、裂纹高度差等级，以分别筛选出最大裂纹宽度、裂纹长度和高度差对应的裂纹宽度级别、裂纹长度等级和裂纹高度差等级，且筛选出所有坑槽中的最大坑槽深度和最大坑槽面积，将筛选的最大坑槽深度和最大坑槽面积分别与道路品质数据库中各坑槽深度等级、坑槽面积等级进行对比筛选，筛选出最大坑槽深度和最大坑槽面积对应的坑槽深度等级和坑槽面积等级，并将从第j个检测时间段到第j+1个检测时间段内裂纹参数和坑槽参数分别进行变化量统计，得到裂纹长度综合变化量、裂纹宽度综合变化量、裂纹高度差综合变化量、坑槽深度综合变化量和坑槽面积综合变化量，云服务器根据以上裂纹参数和坑槽参数的变化量、裂纹长度、宽度以及高度差等级以及坑槽深度和面积等级统计路面损毁加速系数，路面损坏加速系数的计算公式

表示为从第j个检测时间段到第j+1个检测时间段内路面损坏加速系数，λ_L、λ_K和λ_G分别表示为裂纹长度、裂纹宽度和裂纹高度差对应的权重系数，对应的数值分别为0.32、0.573、0.496，L′、K′和G′分别表示为该检测时间段对应的裂纹长度综合变化量、裂纹宽度综合变化量、裂纹高度差综合变化量，EL_max、EK_max和EG_max分别表示为该检测时间段内最大裂纹宽度、最大裂纹长度和最大裂纹高度差对应的裂纹宽度级别、裂纹长度等级和裂纹高度差等级，C′和M′分别表示为检测时间段内坑槽深度综合变化量和坑槽面积综合变化量，EC_max和EM_max分别表示为检测时间段内最大坑槽深度和最大坑槽面积对应的坑槽深度等级和坑槽面积等级，β表示为坑槽深度对应的权重系数，等于0.68，其中，

S表示为检测时间段内裂纹对应的总数量，X表示检测时间段内坑槽对应的总数量，Ls_j、Ks_j和Gs_j分别表示为第j个检测时间段内第s个裂纹对应的长度、宽度和高度差，Cx_j和Dx_j分别表示为第j个检测时间段内第x个坑槽对应的深度和面积。

另外，云服务器接收路面碾压量模块发送的各检测时间段内的累计通过的车辆总数、通行的车辆重量大于该路面对应的承载重量阈值的车辆数量以及大于该路面对应的承载重量阈值的各车辆的重量，云服务器根据路面损坏加速系数对应的检测时间段，提取第j个检测时间段间内所对应的累计通过的车辆总数、通行的车辆重量大于该路面对应的承载重量阈值的车辆数量以及大于该路面对应的承载重量阈值的各车辆的重量，通过该检测时间段内累计通过的车辆总数、通行的车辆重量大于该路面对应的承载重量阈值的车辆数量以及大于该路面承载重量阈值的各车辆重量，统计出车辆干扰损坏系数，车辆干扰损坏系数的计算公式为

表示为从第j个检测时间段到第j+1个检测时间段的过程中车辆干扰损坏系数，φ表示为车辆影响因子，等于0.6，Q表示为通行的车辆重量大于该路面对应的承载重量阈值的车辆数量，R表示为该检测时间段间内累计通过的车辆总数，W_p表示为第p个车辆的重量大于路面对应的承载重量阈值的车辆重量，W_阈值表示为路面对应的承载重量阈值，云服务器将各检测时间段内的路面损坏加速系数和车辆干扰损坏系数发送至评估预测报修模块。

评估预测保修模块用于接收云服务器发送的各检测时间段内的路面损坏加速系数和车辆干扰损坏系数，根据先前各检测时间段内的路面损坏加速系数和车辆干扰损坏系数预计路面裂纹参数和坑槽参数达到维修阈值所对应的评估预测保修时间，并将评估预测保修时间推送至维护人员的手机，同时根据已过的天数自动更新距离路面预测保修时间所剩余的时间，便于道路管理人员直观地了解路面剩余的维修时间，可及早提醒维修人员进行维修，避免因路面裂纹或坑槽严重而造成交通事故次数的增加，另外，将各检测时间段内的路面损坏加速系数与设定路面损坏加速系数阈值进行对比，若大于设定的路面损坏加速系数阈值，则发出预警维修提醒，便于对路面及时进行维修和管控，以减少路面损坏的速度，其中，评估预测保修时间的计算公式

T表示为检测时间段对应的天数，

表示为从第j个检测时间段到第j+1个检测时间段内路面损坏加速系数，

表示为从第j个检测时间段到第j+1个检测时间段的过程中车辆干扰损坏系数,J表示为前J个检测时间段，j＝1,2,...,J，ζ表示为预计维修系数，

L_阈值、K_阈值和G_阈值分别表示为达到维修阈值状态下的裂纹长度阈值、裂纹宽度阈值和裂纹高度差阈值，L_Jmax、K_Jmax和G_Jmax分别表示为第J个检测时间段内最大裂纹长度、最大裂纹宽度和最大裂纹高度差，G_阈值和M_阈值分别表示为达到维修阈值状态下的坑槽深度阈值和坑槽面积阈值，G_Jmax和M_Jmax分别表示为第J个检测时间段内最大坑槽深度和最大坑槽面积。

以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (6)

1.一种基于大数据的公路路面安全监测系统，其特征在于：包括道路图像采集模块、图像匹配定位模块、破损鉴定分析模块、路面构建数据调取模块、路面碾压量模块、道路品质数据库和云服务器；

所述道路图像采集模块通过图像匹配定位模块与破损鉴定分析模块连接，云服务器分别与破损鉴定分析模块、路面构建数据调取模块和路面碾压量模块连接，道路品质数据库分别与云服务器和破损鉴定分析模块连接；

所述道路图像采集模块为高清摄像头，以固定距离间隔安装在易损坏路面的一侧，用于采集道路路面的图像信息，并对采集的道路路面图像进行筛选，剔除采集的道路路面图像包含有车辆的图像，且对剔除后的道路路面图像进行过滤处理，并将处理后的道路路面图像发送至图像匹配定位模块；

所述图像匹配定位模块用于接收道路图像采集模块发送的经处理后的道路路面图像，对接收的道路路面图像进行划分，划分成若干路面子图像，对各路面子图像按照设定的顺序进行排序编号，并将各编号的路面子图像与该位置处该编号对应的标准路面子图像进行对比，若相同编号下的路面子图像与标准路面子图像完全匹配，则采集的道路路面图像中的该编号的路面子图像正常，若相同编号下的路面子图像与标准路面子图像不匹配，则将该编号的路面子图像作为异常路面子图像，并将异常路面子图像以及异常路面子图像对应的位置编号发送至破损鉴定分析模块；

所述破损鉴定分析模块用于接收图像匹配定位模块发送的异常路面子图像以及异常路面子图像对应的位置编号，并根据异常路面子图像对应的位置编号筛选出该位置编号对应的放大倍数，对按照放大倍数放大的异常路面子图像进行裂纹参数提取和坑槽参数提取，对提取的裂纹参数进行分析筛选出该异常路面子图像内各裂纹对应的裂纹宽度、裂纹长度以及裂纹高度差，对提取的坑槽参数进行分析，筛选出该异常路面子图像内的各坑槽对应的坑槽深度和坑槽面积，将各裂纹对应的裂纹宽度、裂纹长度和裂纹高度差以及各坑槽对应的坑槽深度和坑槽面积分别发送至云服务器和道路品质数据库；

所述路面构建数据调取模块用于调取单位面积的路面面层所需的水泥、碎石、砂的重量以及路面面层的高度，并将水泥、碎石、砂的重量进行对比，得到面层组成材料比值，并将面层组成材料的比值以及路面面层的高度发送至云服务器；

所述路面碾压量模块安装在路面的各车道上，用于实时对路面上的车辆进行重量检测，并将检测的车辆重量与云服务器发送的路面所对应的承载重量阈值进行对比，统计设定检测时间段内检测的车辆重量大于该路面对应的承载重量阈值的车辆数量，并统计设定检测时间段内累计通过的车辆总数，路面碾压量模块将设定检测时间段内的累计通过的车辆总数、通行的车辆重量大于该路面对应的承载重量阈值的车辆数量以及大于该路面对应的承载重量阈值的各车辆的重量发送至云服务器；

所述道路品质数据库用于存储路面面层中不同水泥、碎石、砂的重量比以及面层高度对应的路面承载重量阈值，存储各裂纹宽度等级、裂纹长度等级、裂纹高度差等级、坑槽深度等级和坑槽面积等级，并存储破损鉴定分析模块发送的各检测时间段内异常路面子图像内各裂纹对应的裂纹宽度、裂纹长度和裂纹高度差以及各坑槽对应的坑槽深度和坑槽面积，存储各道路路面图像下各编号对应的标准路面子图像以及各编号的路面子图像对应的放大倍数；

所述云服务器用于接收路面构建数据调取模块发送的水泥、碎石、砂对应的面层组成材料比值以及路面面层的高度，根据接收的面层组成材料比值以及路面面层的高度从道路品质数据库中筛选出路面承载重量阈值，并将筛选的路面承载重量阈值发送至路面碾压量模块；

同时，云服务器接收破损鉴定分析模块发送的各裂纹对应的裂纹宽度、裂纹长度和裂纹高度差以及各坑槽对应的坑槽深度和坑槽面积，筛选出所有裂纹中的最大裂纹宽度、最大裂纹长度以及最大高度差，将筛选的最大裂纹宽度、最大裂纹长度和最大高度差分别与道路品质数据库中各裂纹宽度等级、裂纹长度等级、裂纹高度差等级，以分别筛选出最大裂纹宽度、裂纹长度和高度差对应的裂纹宽度级别、裂纹长度等级和裂纹高度差等级，且筛选出所有坑槽中的最大坑槽深度和最大坑槽面积，将筛选的最大坑槽深度和最大坑槽面积分别与道路品质数据库中各坑槽深度等级、坑槽面积等级进行对比筛选，筛选出最大坑槽深度和最大坑槽面积对应的坑槽深度等级和坑槽面积等级，并将从第j个检测时间段到第j+1个检测时间段内裂纹参数和坑槽参数分别进行变化量统计，得到裂纹长度综合变化量、裂纹宽度综合变化量、裂纹高度差综合变化量、坑槽深度综合变化量和坑槽面积综合变化量，云服务器根据以上裂纹参数和坑槽参数的变化量、裂纹长度、宽度以及高度差等级以及坑槽深度和面积等级统计路面损毁加速系数；

另外，云服务器接收路面碾压量模块发送的各检测时间段内的累计通过的车辆总数、通行的车辆重量大于该路面对应的承载重量阈值的车辆数量以及大于该路面对应的承载重量阈值的各车辆的重量，云服务器根据路面损坏加速系数对应的检测时间段，提取第j个检测时间段间内所对应的累计通过的车辆总数、通行的车辆重量大于该路面对应的承载重量阈值的车辆数量以及大于该路面对应的承载重量阈值的各车辆的重量，通过该检测时间段内累计通过的车辆总数、通行的车辆重量大于该路面对应的承载重量阈值的车辆数量以及大于该路面承载重量阈值的各车辆重量，统计出车辆干扰损坏系数，云服务器将各检测时间段内的路面损坏加速系数和车辆干扰损坏系数发送至评估预测报修模块。

2.根据权利要求1所述的一种基于大数据的公路路面安全监测系统，其特征在于：所述路面碾压量模块包括若干压力传感器和计数器，每个压力传感器分别安装在各车道上，用于实时检测通过压力传感器的车辆重量，计数器用于统计通过压力传感器的车辆的数量。

3.根据权利要求1所述的一种基于大数据的公路路面安全监测系统，其特征在于：所述路面损坏加速系数的计算公式

，

表示为从第j个检测时间段到第j+1个检测时间段内路面损坏加速系数，λ_L、λ_K和λ_G分别表示为裂纹长度、裂纹宽度和裂纹高度差对应的权重系数，对应的数值分别为0.32、0.573、0.496，L′、K′和G′分别表示为该检测时间段对应的裂纹长度综合变化量、裂纹宽度综合变化量、裂纹高度差综合变化量，EL_max、EK_max和EG_max分别表示为该检测时间段内最大裂纹宽度、最大裂纹长度和最大裂纹高度差对应的裂纹宽度级别、裂纹长度等级和裂纹高度差等级，C′和M′分别表示为检测时间段内坑槽深度综合变化量和坑槽面积综合变化量，EC_max和EM_max分别表示为检测时间段内最大坑槽深度和最大坑槽面积对应的坑槽深度等级和坑槽面积等级，β表示为坑槽深度对应的权重系数，等于0.68，其中，

S表示为检测时间段内裂纹对应的总数量，X表示检测时间段内坑槽对应的总数量，Ls_j、Ks_j和Gs_j分别表示为第j个检测时间段内第s个裂纹对应的长度、宽度和高度差，Cx_j和Dx_j分别表示为第j个检测时间段内第x个坑槽对应的深度和面积，j＝1,2,...。

4.根据权利要求3所述的一种基于大数据的公路路面安全监测系统，其特征在于：所述车辆干扰损坏系数的计算公式为

表示为从第j个检测时间段到第j+1个检测时间段的过程中车辆干扰损坏系数，φ表示为车辆影响因子，等于0.6，Q表示为通行的车辆重量大于该路面对应的承载重量阈值的车辆数量，R表示为该检测时间段间内累计通过的车辆总数，W_p表示为第p个车辆的重量大于路面对应的承载重量阈值的车辆重量，W_阈值表示为路面对应的承载重量阈值。

5.根据权利要求4所述的一种基于大数据的公路路面安全监测系统，其特征在于：还包括评估预测保修模块，所述评估预测保修模块用于接收云服务器发送的各检测时间段内的路面损坏加速系数和车辆干扰损坏系数，根据先前各检测时间段内的路面损坏加速系数和车辆干扰损坏系数预计路面裂纹参数和坑槽参数达到维修阈值所对应的评估预测保修时间，并将评估预测保修时间推送至维护人员的手机，同时根据已过的天数自动更新距离路面预测保修时间所剩余的时间，同时将各检测时间段内的路面损坏加速系数与设定路面损坏加速系数阈值进行对比，若大于设定的路面损坏加速系数阈值，则发出预警维修提醒。

6.根据权利要求5所述的一种基于大数据的公路路面安全监测系统，其特征在于：所述评估预测保修时间的计算公式

T表示为检测时间段对应的天数，

表示为从第j个检测时间段到第j+1个检测时间段内路面损坏加速系数，

表示为从第j个检测时间段到第j+1个检测时间段的过程中车辆干扰损坏系数,J表示为前J个检测时间段，j＝1,2,...,J，ζ表示为预计维修系数，

L_阈值、K_阈值和G_阈值分别表示为达到维修阈值状态下的裂纹长度阈值、裂纹宽度阈值和裂纹高度差阈值，L_Jmax、K_Jmax和G_Jmax分别表示为第J个检测时间段内最大裂纹长度、最大裂纹宽度和最大裂纹高度差，G_阈值和M_阈值分别表示为达到维修阈值状态下的坑槽深度阈值和坑槽面积阈值，G_Jmax和M_Jmax分别表示为第J个检测时间段内最大坑槽深度和最大坑槽面积。

Images